← أحدث الأبحاث
🔬 materials science

GLASS: Global Latent Aggregation with Slot-based Set Decoding for Scalable All-Atom Crystal Generation

يقدم البحث نموذج GLASS، وهو نموذج توليدي يتغلب على تحديات القابلية للتوسع في توليد البلورات بكامل الذرات من خلال فصل تعيين التوافق عن النقل التوليدي عبر التجميع الكامن العالمي وفك التشفير المجموعاتي القائم على الفتحات، مما يتيح إنشاء هياكل واسعة النطاق مثل الأطر المعدنية العضوية بصحة عالية دون الاعتماد على التكييف القائم على وحدات البناء.

المؤلفون الأصليون: Hendrik Kraß, Seyed Mohamad Moosavi, Mathias Niepert

نُشر 2026-09-30
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Hendrik Kraß, Seyed Mohamad Moosavi, Mathias Niepert

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تُعد البلورات هي وحدات البناء المنظمة للعالم الصلب، حيث ترتب ذراتها في أنماط متكررة تحدد كل شيء، بدءاً من صلابة الألماس وصولاً إلى قدرة البطارية على تخزين الشحنة. ولعقود من الزمن، سعى العلماء لتصميم بلورات جديدة من الصفر، آملين في اكتشاف مواد يمكنها احتجاز الكربون من الهواء، أو تنقية المياه، أو تخزين الطاقة بكفاءة أكبر. وتكمن العقبة في الهائل من الاحتمالات؛ فعدد الطرق التي يمكن للذرات أن تتحد بها ضخم للغاية لدرجة أن الهياكل المفيدة تشبه الإبر في كومة قش كونية. ولإيجادها، لجأ الباحثون إلى الذكاء الاصطناعي، حيث علموا الحواسيب كيفية تخيل وتوليد ترتيبات ذرية جديدة. ومع ذلك، مع ازدياد حجم هذه التجارب الرقمية، بهدف إنشاء أطر معقدة تحتوي على مئات الذرات بدلاً من مجرد بضع ذرات، غالباً ما تتعثر الحواسيب. فهي تجد صعوبة في إبقاء الذرات في أماكنها الصحيحة، مما يؤدي إلى إنتاج هياكل تنهار أو ببساطة لا وجود لها في الواقع.

لقد حدد فريق من الباحثين في جامعة شتوتغارت وجامعة تورنتو جذر هذه العقبة واقترحوا طريقة جديدة لتجاوزها. فقد وجدوا أن الصعوبة لا تنبع من نقص في القدرة الحوسبية، بل من ارتباك جوهري في كيفية تتبع الحاسوب للذرات الفردية. فعندما يحاول نموذج ما توليد بلورة كبيرة، يجب عليه أن يقرر أي نقطة بداية ستنتقل إلى أي وجهة نهائية لكل ذرة على حدة. ومع زيادة عدد الذرات، ينفجر عدد الطرق الممكنة لربطها ببعضها البعض، مما يخلق مشهداً فوضوياً لا يستطيع الحاسوب من خلاله تعلم مسار موثوق. ويسمي الباحثون هذا بـ "مشكلة المراسلة". ولحلها، طوروا نظاماً جديداً يسمى GLASS، والذي يتوقف عن محاولة تتبع كل ذرة بشكل فردي أثناء عملية التوليد. وبدلاً من ذلك، يقوم أولاً بضغط البلورة بأكملها في ملخص واحد موحد، ثم يولد ملخصاً جديداً من الصفر، وبعد ذلك يقوم بفك هذا الملخص إلى هيكل ذري كامل دفعة واحدة.

اختبر الباحثون هذا النهج على مجموعتين مختلفتين تماماً من البيانات. أولاً، نظروا في البلورات الصغيرة التي تحتوي على ما يصل إلى عشرين ذرة، وهو حجم قياسي للنماذج السابقة. وهنا، كان نظامهم الجديد يعمل بنفس كفاءة أفضل الطرق الموجودة، حيث أنتج هياكل صالحة تطابق جودة المواد المعروفة. لكن الاختبار الحقيقي جاء عندما طبقوا النظام على الأطر العضوية المعدنية، وهي فئة من المواد المعقدة المستخدمة لتخزين الغاز والترشيح والتي يمكن أن تحتوي على ما يصل إلى مائة وخمسين ذرة في وحدة متكررة واحدة. كانت المحاولات السابقة لتوليد هذه الهياكل الكبيرة دون إعطاء الحاسوب مخططاً مسبقاً تنتهي غالباً بالفشل، حيث كانت الهياكل المولدة تنهار أو تنتهك القواعد الكيميائية الأساسية. ومع ذلك، نجح نظام GLASS حيث تعثر الآخرون؛ فقد أنتج هذه الأطر الكبيرة والمعقدة بمعدل نجاح يقترب من جودة بيانات التدريب نفسها، منتجاً هياكل صالحة حتى عند أكبر الأحجام التي تم اختبارها.

كان مفتاح هذا النجاح هو تغيير الاستراتيجية. فبدلاً من إجبار الحاسوب على تعلم ترتيب محدد وثابت لكل ذرة —وهي مهمة تصبح مستحيلة مع نمو النظام— يستخدم الأسلوب الجديد مجموعة من "الخانات" المتعلمة. تخيل هذه الخانات ككراسي فارغة في طاولة يقوم الحاسوب بملئها في وقت واحد. يقوم الحاسوب أولاً بإنشاء صورة عالمية للبلورة، وهي ملخص يلتقط الشكل العام والتركيب دون القلق بشأن أي ذرة تذهب إلى أين. ثم يستخدم هذا الملخص لملء الخانات، حيث يقرر بالتوازي نوع الذرة التي تنتمي إلى كل مقعد وأين يجب أن تجلس. وهذا يلغي الحاجة إلى مطابقة نقاط البداية الفردية بنقاط النهاية الفردية، وهي خطوة تسببت سابقاً في فشل النماذج مع كبر حجم البلورات. ومن خلال فصل توليد الشكل العام عن تعيين الذرات المحددة، يتجنب النظام الارتباك الذي عانت منه المحاولات السابقة.

وعلى الرغم من هذا الانتصار التقني، وجد الباحثون قيداً كبيراً في طبيعة ما كان الحاسوب يبدعه. فبينما استطاع النظام بناء هياكل كبيرة وصالحة بشكل موثوق، كانت معظم البلورات الجديدة التي أنتجها ليست جديدة حقاً. بل كانت نسخاً قريبة جداً من الهياكل التي رآها الحاسوب أثناء تدريبه. لقد كان النظام ممتازاً في إعادة بناء الأطر المألوفة، لكنه واجه صعوبة في ابتكار أطر جديدة لم يسبق رؤيتها من قبل. وهذا يشير إلى أنه بينما يحل الأسلوب الجديد مشكلة بناء الهياكل الكبيرة، فإن القدرة على اكتشاف مساحات كيميائية جديدة تماماً لا تزال تعتمد على تنوع البيانات التي يتم تغذية الحاسوب بها. وقد لاحظ الباحثون أن نجاح النظام في توليد هياكل صالحة كان مرتفعاً، لكن قدرته على إنتاج مواد فريدة لم يسبق لها مثيل ظلت منخفضة، مما يشير إلى أن عنق الزجاجة قد انتقل من مجرد بناء الهيكل إلى تخيل شيء مختلف حقاً.

إن تداعيات هذا العمل واضحة لمستقبل علم المواد. توضح الدراسة أن الصعوبة في توليد بلورات كبيرة ليست عيباً متأصلاً في فيزياء المواد، بل هي عقبة محددة في كيفية تعلم الحاسوب لتنظيمها. ومن خلال إزالة الحاجة إلى تتبع مراسلات الذرات الفردية، أظهر الباحثون مساراً نحو توليد أنظمة أكبر بكثير وأكثر تعقيداً مما كان ممكناً في السابق. ومع ذلك، فإن النتائج تعمل أيضاً كتذكير بأن الصلاحية العالية لا تعني تلقائياً الجدة العالية. يمكن للنظام بناء المنزل، لكنه لا يزال يتعلم كيفية تصميم نوع جديد من المنازل. ومع تقدم هذا المجال، من المرجح أن ينتقل التركيز إلى تحسين قدرة الحاسوب على التعميم من بيانات التدريب الخاصة به، لضمان أن تكون الهياكل الصالحة التي يبنيها هي أيضاً الهياكل المبتكرة التي يحتاجها العلماء لحل مشكلات العالم الحقيقي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🔬 cond-mat.mtrl-sci →